Clasament Combinat x Răspuns greșit

Vezi ce modele AI au cele mai mari șanse să întâmpine Răspuns greșit la Combinat, ca să găsești mai repede punctele slabe.

Modele afișate

Eșecuri totale

128

Modelul cel mai afectat

GLM 5.3 FlashX 2

Motive de eșec

Apel de instrument invalid180 Răspuns greșit128 Eroare API62 Fără răspuns56 Timp expirat11 Formatare suplimentară1 Nu a urmat instrucțiunile1

Categorii

Specific domeniului893 Trucuri anti-AI519 Programare484 Rezolvare de puzzle-uri352 Cultură generală315 Inteligență generală134 Combinat128 Sarcini agentice128 Respectarea instrucțiunilor117 Parsare și extragere de date93

118/118

Rang	Model	Companie	Număr de Răspuns greșit	Scor de categorie	Cost total	Teste corecte	Timp de răspuns (mediu)
#155	GLM 5.3 FlashX high	Z.ai	2	0.3	$0.210	0/2	27.7s
Total teste 2 Teste greșite 2 Cost total $0.210 Timp de răspuns (mediu) 27.7s
#192	Gemini 3 Flash Preview low	Google	2	0.3	$0.254	0/2	10.2s
Total teste 2 Teste greșite 2 Cost total $0.254 Timp de răspuns (mediu) 10.2s
#285	MiMo-V2.6-Pro none	Xiaomi	2	0.3	$0.193	0/2	7.78s
Total teste 2 Teste greșite 2 Cost total $0.193 Timp de răspuns (mediu) 7.78s
#296	DeepSeek V4.1 Flash 1017 none	DeepSeek	2	0.3	$0.055	0/2	7.51s
Total teste 2 Teste greșite 2 Cost total $0.055 Timp de răspuns (mediu) 7.51s
#304	Mistral Large 4 none	Mistral	2	0.3	$0.290	0/2	36.9s
Total teste 2 Teste greșite 2 Cost total $0.290 Timp de răspuns (mediu) 36.9s
#308	Space Bunny Alpha low	Stealth	2	0.4	$0.000	0/2	12.2s
Total teste 2 Teste greșite 2 Cost total $0.000 Timp de răspuns (mediu) 12.2s
#309	GPT-5.4 none	OpenAI	2	0.3	$0.690	0/2	9.26s
Total teste 2 Teste greșite 2 Cost total $0.690 Timp de răspuns (mediu) 9.26s
#344	Mistral Small 4 none	Mistral	2	0.3	$0.047	0/2	7.44s
Total teste 2 Teste greșite 2 Cost total $0.047 Timp de răspuns (mediu) 7.44s
#386	Nemotron 3 Super none	NVIDIA	2	0.3	$0.016	0/2	18.2s
Total teste 2 Teste greșite 2 Cost total $0.016 Timp de răspuns (mediu) 18.2s
#391	Mercury 2 none	Inception	2	0.3	$0.033	0/2	2.56s
Total teste 2 Teste greșite 2 Cost total $0.033 Timp de răspuns (mediu) 2.56s
#50	Gemini 4 Argon medium	Google	1	0.6	$0.674	1/2	15.1s
Total teste 2 Teste greșite 1 Cost total $0.674 Timp de răspuns (mediu) 15.1s
#52	Gemini 3.6 Flash low	Google	1	0.7	$0.363	1/2	19.8s
Total teste 2 Teste greșite 1 Cost total $0.363 Timp de răspuns (mediu) 19.8s
#82	Nemotron 3.5 Super VL high	NVIDIA	1	0.7	$0.349	1/2	183.5s
Total teste 2 Teste greșite 1 Cost total $0.349 Timp de răspuns (mediu) 183.5s
#99	Gemini 4 Argon low	Google	1	0.4	$0.438	0/2	11.9s
Total teste 2 Teste greșite 2 Cost total $0.438 Timp de răspuns (mediu) 11.9s
#120	Qwen3.7 Max none	Qwen	1	0.7	$0.451	1/2	37.2s
Total teste 2 Teste greșite 1 Cost total $0.451 Timp de răspuns (mediu) 37.2s

Filtrează modelele

Top modele după Număr de Răspuns greșit

Număr de Răspuns greșit vs Scor

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimat

Combinat: Răspuns greșit

Filtrează modelele

Top modele după Număr de Răspuns greșit

Număr de Răspuns greșit vs Scor

Top modele după Timp de răspuns (mediu)

Top modele după Cost irosit estimat